3. YouTubeDNN排序模型细节剖析( 六 ) _视频

首先解决怎么做的：如何把目标变成优化平局怒观看时长呢？关键在于训练样本的权重，paper做的时候，是所有负样本的权重的都是1，而正样本的权重是点击后的视频观看时长T_i,模型最后计算损失的时候，是使用了加权交叉熵：
这里的T_i是观看时长。由于逻辑回归的表达式：
线上使用的时候，选取了值e^(f(xi))最大的那些视频进行推荐。
那么为什么优化这样的加权loss，就是近似优化平均观看时长呢？简单做下解释：
首先，我们熟知的大名鼎鼎的函数并不是无脑拍出来的，而是由对数线性模型推导出来的。
采用e^(Wx+b)这个形式预测就近似用户观看视频时长的期望，用该指标排序后推荐，符合推荐场景和以观看时长为优化目标
模型的内容就整理这么多。
AI上推荐之模型(工业界推荐系统的灯火阑珊)
王喆：重读深度学习推荐系统论文，字字珠玑，惊为神文